基于YOLO的合成手写体数据中的可解释性 dyslexia 检测
计算机视觉与模式识别
2025-01-28 v1 机器学习
摘要
Dyslexia影响多个语言中的阅读和写作能力。本工作描述了一种新的YOLO基于目标检测的应用,用于在模拟 resemble 实词的合成图像中隔离和标记手写体模式(正常、颠倒、校正)。首先收集单个字母,预处理为32x32样本,然后组装成更大的合成“单词”,以模拟真实的手写体。我们的YOLOv11框架同时定位每个字母并将其分类为三个类别之一,反映Dyslexia的关键特征。经验上,我们实现了接近完美的性能,精度、召回率和F1指标通常超过0.999。这超越了之前依赖常规CNN或迁移学习分类器(例如Robaa等人arXiv:2410.19821中的MobileNet方法)的单字母方法。不同于考虑每个字母孤立的简单管道,我们的解决方案处理整个单词图像,结果更真实地代表了手写体。尽管依赖合成数据引发了领域差距的担忧,但这些实验凸显了YOLO基于检测在更快更可解释的Dyslexia筛查中具有的潜力。未来工作将扩展到真实世界的手写体、其他语言和更深入的可解释性方法,以在教育者、临床专业人员和家庭中建立信心。
引用
@article{arxiv.2501.15263,
title = {Explainable YOLO-Based Dyslexia Detection in Synthetic Handwriting Data},
author = {Nora Fink},
journal= {arXiv preprint arXiv:2501.15263},
year = {2025}
}